背景和目的:阻塞性睡眠呼吸暂停（obstructive sleep apnea,OSA）是一种高发疾病,与众多不良的健康结果相关,尤其以重度OSA为甚。多导睡眠监测是诊断OSA的金标准,但其价格昂贵,需要专业人员、设备及场地,临床使用受限。而现有的OSA筛查工具的准确性和可行性并不令人满意。现有筛查工具的一些症状指标主观性较强,且基于头影测量的工具在临床应用中受到限制。研究显示,多项常规血液学检测指标与OSA关系密切,而这些指标中所包含的大量信息被目前所有的OSA筛查工具所忽略。本研究旨在建立一种基于收集临床最常见的血液学指标来建立OSA及重度OSA的临床筛查模型,为临床医生筛查OSA及重度OSA的潜在高危人群提供新颖方法。方法:本研究利用医疗大数据平台医渡云系统收集南方医院从2008年2月18日至2019年1月21日的1920名18岁以上疑似OSA患者作为研究对象。第一部分:把1920例研究对象分为三组,分别为建模组、内部验证组及外部验证组,纳入的临床变量包括人口统计学指标、症状指标及血液学指标,利用建模组建立了一个预测OSA的简单临床模型,然后利用内部验证组及外部验证组对OSA筛查模型进行了内外部验证。通过多因素Logistic回归分析筛选出OSA临床预测模型的变量,并构建列线图便于临床使用。另外,我们比较了 OSA筛查模型与两种最常用的筛查工具——Epworth嗜睡量表（ESS）和Stop-Bang问卷（SBQ）的预测性能。第二部分:我们进行了一项回顾性研究,把第一部分中同样的样本量分为两个组,分别为建模组和时间验证组。总体样本量包括1920名有接受夜间多导睡眠监测的成年人,其中979例被诊断为重度OSA。基于人口统计学指标、症状指标和血液学指标,构建多变量logistic回归模型并进行交叉验证,然后建立列线图筛查诊断重度OSA。此外,比较了重度OSA筛查模型与ESS和SBQ的预测性能。结果:第一部分:在模型建立阶段发现在纳入的19个变量中最终进入简化模型的有12个变量,分别为性别、年龄、BMI、血压、打鼾、憋醒、嗜睡、呼吸暂停、白细胞计数、中性粒细胞百分比、高密度脂蛋白以及血糖。这些因素是OSA的患病风险因素。最终OSA筛查模型的灵敏度和特异度分别为66.50%、83.00%,ROC曲线下面积为0.81（95%CI:0.78-0.85）。OSA筛查模型在内外部验证中的AUC 分别为 0.70（0.58-0.79）、0.71（0.60-0.82）。与 ESS 比较时,OSA 筛查模型的 AUC 为 0.78（95%CI:0.69-0.88）,显著优于 ESS 评分的 0.59（95%CI:0.45-0.72）。与 SBQ 比较时,模型的 AUC 为 0.77（95%CI:0.59-0.95）,SBQ 评分的 AUC 为 0.42（95%CI:0.26-0.60）。第二部分:在建模阶段,研究结果显示有9个变量与重度OSA相关,包括男性、BMI≥2 7kg/m2、血压、憋醒、嗜睡、呼吸暂停、白细胞计数≥9.5×10 9/L、血红蛋白含量≥175g/L 及甘油三酯含量≥1.7 mmol/L,最终模型的AUC为0.75（95%CI:0.67-0.82）,灵敏度和特异度分别为71%和68%。在模型验证中,该模型也显示出良好的性能,AUC为0.73（95%CI:0.67-0.79）。在与ESS及SBQ比较时,本模型的AUC显著大于ESS（0.74vs0.58,P=0.006）,且不低于SBQ的AUC（0.78vs0.66,P=0.073）。结论:总而言之,我们针对住院或健康查体人群开发的OSA及重度OSA临床预测模型,纳入了客观的血液学指标可以较准确地筛查潜在的OSA患者及重度OSA,避免过多不必要的睡眠监测检查,为社区医院及非睡眠专科医师识别OSA提供了一种简单的方法。模型的效能优于目前临床认可的SBQ评分及ESS评分。鉴别重度OSA对改善手术患者的预后有重要意义,同时避免OSA可能伴随的潜在危害,改善该类患者的总体生活质量,降低社会卫生经济负担。